央广网北京8月20日消息（记者 朱冠安）8月的北京亦庄，2026世界机器人大会的展馆内，机械臂精准分拣着药房货架上的药品，人形机器人与观众完成多回合乒乓球对打，工业机器人无需示教即可自主生成焊接轨迹。当观众惊叹于机器人越来越“聪明”时，一个关键问题正在被反复讨论：支撑这些能力跃迁的世界模型，能否叩开具身智能的“ChatGPT时刻”？

机器人格斗现场人气火爆（央广网记者 朱冠安 摄）

2026年被认为是“世界模型元年”，从语言大模型的爆发到物理世界智能的探索，人工智能正在完成从“理解数字信息”到“推演物理规律”的跨越。本届大会上，“世界模型”的概念成为可感知的产品、可落地的方案、可验证的成效。但与此同时，泛化能力瓶颈、数据供给短板、工程化落地难题也清晰地摆在行业面前。通往具身智能的“ChatGPT时刻”，世界模型正站在从“技术验证”到“规模商用”的关键隘口。

从预测文字到预测世界 机器人的大脑正在被重构

世界模型，一个主攻物理环境认知和预测的系统。“给定当前观测和动作指令，推演未来状态。”大晓机器人世界模型研发负责人王飞解释，世界模型赋予机器人在行动之前，先在内部演化多种可能、预判不同后果的能力。这一技术方向的底层价值，早已得到学界的普遍共识。图灵奖得主杨立昆将世界模型定义为“能预测行动后果的内部模拟器”，是机器人认知世界的核心引擎。斯坦福大学教授李飞飞则将其视作实现空间智能的核心路径，“AI要理解、生成、推理并与三维空间交互，构建大型世界模型是最重要的路径。”北京智源人工智能研究院院长王仲远认为，世界模型是下一代人工智能的基座模型。

本届世界机器人大会上显示，世界模型的技术路线已经从早期的多元探索，逐步显现出融合演进的趋势。蚂蚁灵波科技展示的智慧药房分拣方案，已在上海国大药房正式上岗承担夜班分拣任务。与传统方案需要改造门店硬件不同，搭载全栈大脑2.0的机器人无需调整原有货架布局，即可在原始门店环境中自主接单、识别药品、完成精准分拣，有效分担值守药剂师的工作压力，是行业首个落地真实药房环境的药品分拣方案。

机器人正在完成打包装袋（央广网记者 朱冠安 摄）

大晓机器人同步发布的“晓满”“晓新”“晓途”三套行业解决方案，分别切入即时零售、酒店服务、户外开放三大场景，全部具备规模化复制能力。其中“晓满”即时零售履约方案可适配窄巷道、多SKU的复杂门店环境，依托世界模型的环境推演能力自主应对货架变动、人流干扰，已落地烧卖购、中石油便利店等连锁渠道，实现天级部署、最快次日上线；“晓新”酒店方案打通洗衣全流程无人化，精准切中酒店夜间洗衣需求集中、人工成本高的痛点；“晓途”四足机器人方案已在上海徐汇滨江、漕河泾园区和天津海棠花节等场景常态化运行，实现7×24小时无人值守。

越疆机器人展示的“一脑多体”技术路线，进一步放大了世界模型的规模化价值。同一套世界模型智能底座，可灵活适配不同形态、不同功能的机器人本体，打破传统机器人“一机一用”的局限，让智能能力在工业、家庭、文旅等多场景间自由迁移，显著降低多场景部署的适配成本。

“国内机器人硬件产业链已无代际差距，多数产品只能在特定环境演示，核心差距在‘大脑’。对应的产业趋势是，具身智能的投资逻辑正从押注机器人本体转向押注具身大脑。”一位机器人产业投资人向记者表示。

ChatGPT时刻何时到来？瓶颈与突破逐渐清晰

世界模型的快速演进，让“具身智能的ChatGPT时刻”成为本届大会高频讨论话题。但越是贴近产业一线，越能清晰地看到：我们正站在规模化商用的门槛前，距离真正应用世界模型，仍有多重核心瓶颈需要突破。

宇树科技董事长王兴兴认为，迈向具身智能的ChatGPT时刻，理想情况下需要2至3年，慢则需要5至10年。当前最大的制约是泛化能力不足。“在固定场景下经过充足数据专项训练，机器人任务成功率可接近100%，但只要更换操作物品、小幅改变环境，任务成功率就会大幅下降。”王兴兴口中的“最后一厘米偏差导致成功率暴跌”，是所有具身智能产品都要面对的现实难题。

机器人正在切黄瓜（央广网记者 朱冠安 摄）

比泛化能力更底层的瓶颈，是数据供给的“荒漠”。世界模型与大语言模型的训练逻辑有着本质区别：大语言模型学习的是人类书写的二手经验，而世界模型学习的是传感器、机械臂采集的一手物理数据。快思慢想研究院院长田丰表示，人类高质量文字总量已接近上限，但物理世界的视频与传感器数据每天都在海量新增，可真正符合训练要求的高质量具身数据却极度稀缺。一个直观的对比是，Meta的V-JEPA 2模型仅有12亿个参数，不到主流大语言模型的百分之一，却用了超过100万小时的视频训练。数据采集成本高、标注难度大、规模化困难，是横亘在世界模型面前的核心障碍。

物理一致性的挑战同样不容忽视。北京智源人工智能研究院院长王仲远曾直言，视频生成模型可以生成“天上飞的猪”，但物理世界不允许这样的虚幻。当前世界模型仍存在误差逐帧累积的问题，会出现场景漂移、物体穿模、逻辑崩坏等现象，业界最强的模型也只能维持几分钟的物理一致性，而普遍认为连续可靠模拟一小时以上才达到工业可用门槛。

也正因如此，产业界对“ChatGPT时刻”的定义有着清醒的共识：它不是某个模型发布的瞬间，而是一个能力与场景双向匹配的临界点。王兴兴给出的判断标准很具体：当机器人可以进入任意陌生家庭环境，依靠语音指令自主完成80%左右的日常任务时，就是通用机器人产业真正爆发的临界点。

在抵达这个临界点之前，世界模型与VLA（视觉语言动作模型）将长期协同存在。大晓机器人董事长王晓刚表示，VLA对确定性高的任务学习更快，随着以人为中心的数据提升到千万小时量级，世界模型将逐步吸收VLA能力，最终走向大一统基座模型。

机器人正在组装零配件（央广网记者 朱冠安 摄）

全产业链已经形成合力 多维度协同向临界点推进

没有人能精准预言具身智能ChatGPT时刻在哪一天到来，但本届大会传递出的清晰信号是：全产业链已经形成合力，正在从数据、标准、算力、场景多个维度，共同向临界点推进。

针对数据瓶颈，上下游企业正在协同破局。觅蜂科技在大会上亮相具身数据采集产品MEgo Gripper，可实现宏观环境感知与微观手部操作数据的精准同步采集；章鱼动力提出“数据—模型—硬件”一体化路线，通过世界模型、仿生灵巧手与数据采集方案的协同，打通从数据生产到模型迭代的全链条闭环。

标准体系的空白正在被填补。大晓机器人联合上海市人工智能行业协会、中国信通院华东分院等机构发起Physical IQ物智评测基准平台，汇集20余家高校与产业机构，为多场景、多本体的物理智能建立统一度量衡，结束了行业“用下游任务间接评估、缺乏统一评判标准”的局面。

机器人正在与人类进行桌面冰球对战（央广网记者 朱冠安 摄）

超能机器人董事长肖湘江表示，行业的整体走向有四大趋势：从炫技转向实干，从单体智能转向集群协同，从通用叙事回归专用深耕，从产品时代进入场景时代。世界模型作为机器人的“智能首脑”，不会凭空催生爆发时刻，而是会在一个个垂直场景的打磨中，逐步完成能力积累与价值兑现。

从学会理解语言，到学会理解物理世界，人工智能的跨越，其实是在重塑我们与未来的关系与对未来的期待。从这场大会往前看，世界模型推演的轨迹正在从虚拟空间逐渐走向真实的生产线、药房、街道与家庭，机器人行动逐渐建立在对物理规律的精准认知之上，我们所期待的智能共生的未来，也正在一步步从预言走进现实。至于“ChatGPT时刻”何时到来，不必着急得到一个确定的答案——我们已经知道方向在哪，也知道路怎么走，剩下的，交给时间、数据与场景的积累。